Análisis comparativo de series de tiempo financieras usando modelos econométricos y de redes neuronales : el caso de mercado libre

Abstract

Este trabajo realiza un análisis comparativo entre dos metodologías para la predicción de series detiempo financieras: el modelo econométrico ARIMA y las redes neuronales recurrentes del tipo LSTM. El estudio se centra en la acción de Mercado Libre (MELI), cotizada en el NASDAQ, utilizando datos diarios desde su oferta pública inicial (IPO) en 2007 hasta 2024. Se desarrollan cuatro enfoques: (1) un modelo ARIMA, conocido por su capacidad para capturar relaciones lineales en los datos; (2) un modelo derivado de ARIMA el cual considerará los quiebres estructurales; (3) un modelo LSTM, que puede modelar relaciones no lineales y manejar secuencias temporales; y (4) un modelo híbrido ARIMA-LSTM que combina las fortalezas de ambos enfoques. El objetivo principal es evaluar cuál de estos modelos ofrece un mejor rendimiento predictivo en términos de precisión, utilizando métricas como el error cuadrático medio (MSE) y el error absoluto medio (MAE). Los resultados muestran que, mientras que el modelo ARIMA es efectivo para predicciones a corto plazo bajo dato lineales, las redes neuronales recurrentes, especialmente el modelo LSTM, presentan un mejor desempeño en escenarios no lineales. El modelo híbrido logra aprovechar las ventajas de ambos enfoques, ofreciendo predicciones más precisas en general. El estudio concluye que, para el caso de la empresa de Mercado Libre, el uso de técnicas avanzadas de aprendizaje automático combinadas con métodos econométricos tradicionales permite obtener resultados más robustos y fiables, lo que es especialmente relevante para los inversores que buscan mejorar sus estrategias de predicción financiera.